Le 9 novembre 2015, Google a lancé le système d'intelligence artificielle TensorFlow et l'a annoncé comme open source.
TensorFlow est une bibliothèque logicielle open source qui utilise des graphiques de flux de données pour les calculs numériques. En d'autres termes, TensorFlow utilise des graphiques pour représenter les tâches informatiques. Les nœuds du graphique représentent des opérations mathématiques et les arêtes représentent des tableaux multidimensionnels (c'est-à-dire des tenseurs) utilisés pour communiquer entre les opérations. L'architecture flexible de TensorFlow vous permet de déployer des processus informatiques sur un ou plusieurs processeurs ou GPU.
TensorFlow a été développé à l'origine par des chercheurs et des ingénieurs de la Google Brain Team. Il est principalement utilisé par l'organisation de recherche Machine Intelligence de Google pour l'apprentissage automatique et la recherche sur les réseaux neuronaux profonds, mais ce système est également général dans de nombreux autres domaines. .
La représentation abstraite du modèle est automatiquement gérée par le framework, ce qui rend TensorFlow et Theano particulièrement adaptés au développement de nouveaux modèles basés sur des algorithmes d'optimisation de gradient.
Le principal inconvénient de Theano est le long temps de compilation du modèle symbolique ci-dessus, et TensorFlow l'améliore efficacement, c'est-à-dire que le temps de compilation est plus court.
Un autre avantage de TensorFlow est son outil de support - TensorBoard, qui visualise le processus de formation du modèle. De cette manière, les utilisateurs peuvent examiner de manière interactive la structure du modèle et observer les changements dans les paramètres et les performances du modèle.
La version open source de TensorFlow ne peut fonctionner que sur une seule machine, mais elle prend en charge le calcul parallèle sur plusieurs processeurs (CPU ou GPU).
Les diagrammes de flux de données utilisent des graphiques orientés pour décrire des calculs mathématiques, avec des points et des arêtes dans le graphique.
Les nœuds effectuent généralement des calculs mathématiques, mais peuvent également servir de points de terminaison pour représenter les résultats ou lire/écrire des variables persistantes.
Les bords sont utilisés pour décrire les relations d'entrée/sortie entre les nœuds. Ces arêtes portent des tableaux multidimensionnels ou des tenseurs de taille variable.
Ces nœuds sont attribués à des appareils informatiques et exécutés de manière asynchrone. Une fois que tous les tenseurs arriveront en même temps, des calculs parallèles seront effectués.
En raison du flux de tenseurs dans le graphique, nous l'appelons TensorFlow.
Flexibilité profonde. TensorFlow n'est pas une bibliothèque de réseaux neuronaux rigides Tant que vous pouvez exprimer votre processus de calcul sous forme de graphique de flux de données, vous pouvez utiliser TensorFlow. Définir un nouveau calcul est aussi simple que d’écrire une fonction Python et le coût n’est pas élevé. Si vous ne voyez pas les opérations de données sous-jacentes dont vous avez besoin, vous pouvez les ajouter via C++.
Véritable portabilité. TensorFlow s'exécute sur un processeur ou un GPU et peut s'exécuter sur un ordinateur portable, un serveur ou une plate-forme informatique mobile. Les modèles peuvent être entraînés sur des appareils mobiles sans modifications matérielles ou de code particulières, et le calcul peut être effectué sur le cloud en encapsulant Docker et TensorFlow.
Connecter la Recherche et la Production, tant académiques qu'industrielles. Chez Google, les scientifiques utilisent TensorFlow pour tester de nouveaux algorithmes, et les équipes produit utilisent TensorFlow pour former des modèles destinés aux utilisateurs.
Auto-différenciation, identification automatique. Les capacités de discrimination automatique de TensorFlow sont utiles pour la mise en œuvre d'algorithmes d'apprentissage automatique basés sur le gradient. Lorsque vous utilisez TensorFlow, vous définissez la structure du cadre de calcul de votre modèle de prédiction, ainsi que la fonction objectif, puis il vous suffit d'ajouter des données, et TensorFlow calculera la dérivée, c'est-à-dire le gradient pour vous.
Options de langue, sélection de la langue. TensorFlow peut utiliser l'interface Python et l'interface simple C++ pour créer et exécuter vos graphiques informatiques. Si vous êtes intéressé, vous pouvez également proposer une interface dans votre langage préféré – Lua, JavaScript ou R, etc.
Maximiser les performances, maximiser les performances. TensorFlow vous permet d'utiliser pleinement le matériel dont vous disposez : 32 cœurs CPU et 4 cartes GPU, threads, files d'attente, calculs asynchrones, etc. Vous pouvez librement attribuer les éléments informatiques du graphique TensorFlow à différents appareils et laisser TensorFlow les gérer.
Étudiants, chercheurs, amateurs, hackers, ingénieurs, développeurs, inventeurs, innovateurs et plus encore.
TensorFlow n'est actuellement pas terminé et doit être étendu. Google n'a donné qu'une première version du code source et espère créer une communauté open source active pour améliorer TensorFlow.
Les entreprises qui utilisent actuellement TensorFlow incluent : Google, Uber, Twitter, DeepMind, JD.com, etc.
"TensorFlow" est le système d'apprentissage automatique interne de Google depuis de nombreuses années. Désormais, Google fait de ce système un système open source et publie les paramètres de ce système aux ingénieurs, universitaires et techniciens de l'industrie dotés de nombreuses capacités de programmation.
La réponse est simple : Google estime que l'apprentissage automatique est un élément clé de l'innovation future. La recherche dans ce domaine est mondiale et se développe rapidement, mais il manque d'outils standards. Les ingénieurs de Google utilisent TensorFlow pour développer des produits et services orientés utilisateur. L'équipe de recherche de Google prévoit également de partager le processus de mise en œuvre de TensorFlow. Ils espèrent que TensorFlow pourra devenir l'un des meilleurs outils d'apprentissage automatique.
Pour utiliser une métaphore inappropriée, le traitement actuel du système TensorFlow par Google est quelque peu similaire au traitement qu'il réserve à son système d'exploitation mobile Android. Si davantage de data scientists commencent à utiliser les systèmes de Google pour mener des recherches sur l'apprentissage automatique, cela aidera Google à accroître sa domination sur le secteur en pleine croissance de l'apprentissage automatique.
Il existe une condition préalable pour utiliser les méthodes actuelles d'apprentissage en profondeur : disposer d'un ensemble de données avec de nombreux échantillons.
Comme pour l'identification de gènes ou de sondes de méthylation associés à des maladies spécifiques, l'ensemble d'échantillons est très petit, de sorte que l'apprentissage profond ne peut pas être utilisé pour l'analyse. [Pleurer... Je veux juste utiliser l'apprentissage profond pour identifier les gènes de maladies...]
Si vous souhaitez utiliser un modèle d'apprentissage profond, la première étape consiste à résoudre le problème de la façon de représenter les données . Tels que : les jonctions d’épissage, les sites de liaison ARN-protéine ou la méthylation. En d’autres termes, le nombre de vos échantillons dépasse de loin le nombre de variables.
Ainsi, tant que cette étape critique est résolue, TensorFlow vous ouvrira la porte au deep learning.
Pip est un outil d'installation et de gestion de progiciels Python. De plus, Tensorflow ne peut être installé que dans un environnement Linux. Pour plus de détails sur l'installation d'un système Linux sous VMware, veuillez vous référer à mon autre blog.
sudo apt-get install python-pip python-dev
Remarque : L'interface ci-dessus apparaît indiquant que pip a été installé avec succès !
sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0-cp27-none-linux_x86_64.whl
>>> importer tensorflow en tant que tf
>>> bonjour = tf.constant('Bonjour, TensorFlow !')
> ;>> sess = tf.Session()
>>> >session d'impression.exécuter(bonjour)
Bonjour, TensorFlow !
/home/andy
2016.3.tar.gz
Ouvrez le répertoire où se trouve le fichier pycharm.sh :
cd pycharm-community-2016.3/bin
Exécutez le fichier pycharm.sh pour installer pycharm :
./pycharm.sh
Après l'installation, pycharm s'ouvrira automatiquement, puis une série de paramètres sera effectuée :
Lorsque les éléments suivants L'interface apparaît, l'installation est réussie.
Sélectionnez « Créer un nouveau projet » pour créer un nouveau projet. Le compilateur par défaut est python 2.7.
Ensuite, faites un clic droit sur le projet nouvellement créé et sélectionnez "Nouveau-> Fichier Python" pour créer un nouveau fichier python Py01.
Écrivez un morceau de code dans le fichier Py01 pour le tester.
On voit que les résultats des tests sont corrects et vous pouvez importer tensorflow sur Pycharm !
Sous Ubuntu, vous devez trouver à chaque fois le dossier où se trouve pycharm.sh et exécuter ./pycharm. sh, ouvrir pycharm est très gênant.
Donc, nous ferions mieux de créer un raccourci. Les raccourcis Ubuntu sont placés sous « Computer/usr/share/applications ».
Créez d'abord un Pycharm.desktop dans ce répertoire :
sudo gedit /usr/share/applications/ Pycharm .bureau
Notez ensuite que Exec et Icon doivent trouver les bons dans. votre propre ordinateur Vous devez également déterminer le numéro de version de Pycharm dans le chemin, GenericName et Comment en fonction de la situation réelle :
[Bureau Entrée]
Type=Application
Name=Pycharm
GenericName=Pycharm2017
Comment=Pycharm2017 :L'IDE Python
Exec="/home/wangfang/Pycham/pycharm-community-2017.1.3/bin/pycharm.sh" %f
Icon=/home/wangfang/Pycham/pycharm-community-2017.1.3/bin/pycharm.png
Terminal=pycharm
Catégories =Pycharm;
Après l'enregistrement, vous pouvez trouver le fichier de bureau Pycharm.desktop correspondant via le chemin /usr/share/applications/, puis double-cliquer pour l'ouvrir, puis le verrouiller sur le lanceur.
Site officiel de TensorFlow
Geek Academy - Document officiel TensorFlow version chinoise
Geek Academy - Téléchargement et installation
Geek Academy - MNIST Machine Learning Getting Started (Création d'un softmax modèle de régression)
Geek Academy - MNIST approfondi (Création d'un réseau neuronal convolutif profond)
Ladislav Rampasek et Anna Goldenberg, TensorFlow : La passerelle de la biologie vers le Deep Learning ?
Chronique de Werm520 : Installer PyCharm sur Ubuntu
Installer Anaconda sous Ubuntu
Installer Anaconda et Spyder sous Linux (Ubuntu14.04)
Comment installer TensorFlow sous Ubuntu
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Introduction au framework utilisé par vscode
Annuler le mot de passe de mise sous tension sous XP
Comment récupérer des fichiers supprimés définitivement sur un ordinateur
kb4012212 Que faire si la mise à jour échoue
Comment créer un projet HTML avec vscode
Que faire si l'utilisation du processeur est trop élevée
Solution d'erreur HTTP 503
Utilisation de la fonction strtok
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
